MCP 协议实战：让 AI 安全地操作你的工具

当 AI Agent 需要调用外部工具时，一个关键问题浮现：如何让 LLM 知道有哪些工具可用、如何调用、参数格式是什么？MCP（Model Context Protocol） 协议正是为解决这一问题而生。

为什么需要 MCP

在 MCP 出现之前，每个 AI 应用都要手写工具调用逻辑：

# 传统方式：硬编码工具定义
def get_weather(city: str):
    ...

def search_db(query: str):
    ...

# 手动把函数描述拼接成 prompt
system_prompt = """
你可以使用以下工具：
- get_weather(city: string)
- search_db(query: string)
"""

这种方式的问题很明显：

• 工具描述与实现分离，容易不同步
• 每个框架的调用格式不统一
• 安全风险难以管控（AI 可能调用危险操作）

MCP 用一套标准化协议解决了这些问题。

MCP 是什么

MCP（Model Context Protocol）是 Anthropic 于 2024 年底推出的开放协议，定义了 AI 模型与外部工具之间的通信标准。它的设计哲学类似 USB 接口——统一接口，即插即用。

核心概念：

• Server：提供工具的端（如文件系统、数据库、搜索引擎）
• Client：消费工具的端（如 Claude Desktop、Cursor、自建 Agent）
• Transport：通信方式（stdio 本地进程 / HTTP SSE 远程服务）

MCP Server 的结构

一个 MCP Server 需要实现三个核心能力：

1. 工具列表（Tools）

向客户端声明自己提供哪些工具，每个工具包含名称、描述、参数 Schema。

{
  "tools": [
    {
      "name": "read_file",
      "description": "读取文件内容",
      "inputSchema": {
        "type": "object",
        "properties": {
          "path": { "type": "string", "description": "文件路径" }
        },
        "required": ["path"]
      }
    }
  ]
}

2. 工具调用（Call Tool）

客户端根据 LLM 的决定，调用具体工具并返回结果。

3. 资源列表（Resources）

可选能力，用于暴露只读数据（如日志文件、配置文件）。

实战：开发一个文件系统 MCP Server

以 Node.js 为例，基于 @modelcontextprotocol/sdk 开发：

import { Server } from '@modelcontextprotocol/sdk/server/index.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';

const server = new Server(
  { name: 'fs-server', version: '1.0.0' },
  { capabilities: { tools: {} } }
);

server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [
      {
        name: 'read_file',
        description: '读取指定文件的内容',
        inputSchema: {
          type: 'object',
          properties: {
            path: { type: 'string', description: '文件绝对路径' }
          },
          required: ['path']
        }
      }
    ]
  };
});

server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === 'read_file') {
    const { path } = request.params.arguments;
    const content = await fs.readFile(path, 'utf-8');
    return { content: [{ type: 'text', text: content }] };
  }
});

const transport = new StdioServerTransport();
await server.connect(transport);

配置文件（Claude Desktop 示例）：

{
  "mcpServers": {
    "filesystem": {
      "command": "node",
      "args": ["/path/to/fs-server.js"]
    }
  }
}

启动 Claude Desktop 后，它就能自动发现并使用 read_file 工具了。

安全最佳实践

MCP 的设计天然考虑了安全性：

1. 权限隔离：Server 以独立进程运行，与 LLM 隔离
2. 参数校验：所有入参必须通过 JSON Schema 校验
3. 范围限制：文件系统 Server 可配置允许访问的路径白名单
4. 人工确认：敏感操作（如删除文件）可要求用户确认

生态现状

目前已有大量开源 MCP Server：

趋势判断：MCP 正在逐渐成为 AI 工具调用的"事实标准"，类似 Docker 之于容器化。

写在最后

MCP 的价值不在于技术复杂度，而在于标准化带来的互操作性。一旦你的工具封装成 MCP Server，任何支持 MCP 的客户端（Claude、Cursor、自建 Agent）都能直接使用。

下一篇，我们将探讨 Prompt Engineering 的进阶技巧——如何让 LLM 更精准地理解你的意图。